Ein eigenes KI-Modell trainieren: die drei Wege und wann sich welcher lohnt

"Wir wollen unser eigenes KI-Modell." Dieser Satz fällt immer öfter in Organisationen, und er kann drei sehr verschiedene Dinge bedeuten: ein Modell von Grund auf bauen, ein bestehendes Modell nachtrainieren, oder ein bestehendes Modell mit dem eigenen Wissen arbeiten lassen. Die drei Wege unterscheiden sich um Größenordnungen in Kosten und Aufwand, und in der Praxis wählen viele Organisationen den teuren Weg, obwohl der günstige ihr Problem längst löst.

Weg 1: von Grund auf trainieren (fast nie)

Ein großes Sprachmodell von Grund auf zu trainieren verlangt enorme Textmengen, monatelange Rechenzeit auf spezialisierter Hardware und ein Team, das weiß, was es tut. Die Kosten gehen in die Millionen. Das ist das Feld weniger großer KI-Unternehmen und Forschungsinstitute. Für praktisch jede andere Organisation ist das keine ernsthafte Option, und das muss es auch nicht sein, denn dafür gibt es die anderen beiden Wege.

Weg 2: Fine-Tuning (manchmal)

Beim Fine-Tuning nehmen Sie ein bestehendes Modell und trainieren es mit eigenen Beispielen nach, damit es Ihren Stil, Ihr Fachvokabular oder Ihr Aufgabenformat lernt. Das ist machbar: keine Millionen, sondern eine gezielte Investition, sofern Sie Tausende gute Beispiele genau des Verhaltens haben, das Sie suchen.

Genau da liegt der Fallstrick: Die Qualität des Fine-Tunings steht und fällt mit der Qualität der Beispiele. Unordentliche Daten ergeben ein Modell, das Unordnung gelernt hat. Und das nachtrainierte Modell altert mit: Erscheint eine bessere Basisversion, beginnt das Nachtrainieren von vorn. Fine-Tuning lohnt sich vor allem bei einer klar umrissenen, wiederkehrenden Aufgabe in großen Mengen.

Weg 3: das eigene Wissen mitgeben (meistens)

Die meisten Organisationen, die "ein eigenes Modell" sagen, wollen eigentlich dies: ein Modell, das Fragen auf Basis der eigenen Dokumentation beantwortet. Dafür müssen Sie nicht trainieren. Bei Retrieval-Augmented Generation (RAG) sucht das System zu jeder Frage die relevanten Passagen aus Ihren Dokumenten heraus und lässt das Modell darauf antworten. Das Modell selbst bleibt unverändert.

Die Vorteile sind praktisch: Ihr Wissen ist sofort aktuell (Dokument austauschen genügt, kein Nachtrainieren), Sie können Quellen anzeigen, und die Einstiegskosten sind ein Bruchteil des Fine-Tunings.

Ein weiterer Vorteil, der oft übersehen wird: Bei RAG lässt sich nachvollziehen, woher eine Antwort stammt, denn das System kann die verwendeten Passagen anzeigen. Bei einem nachtrainierten Modell ist das Wissen unsichtbar im Modell verschwunden. Für Organisationen, die Antworten belegen müssen, ist das allein schon ein Entscheidungsgrund.

Die Entscheidungsregel

• Soll das Modell Ihr Wissen nutzen? Beginnen Sie mit RAG.
• Soll sich das Modell bei einer festen Aufgabe anders verhalten, und haben Sie Tausende gute Beispiele? Erwägen Sie Fine-Tuning.
• Soll ein Modell grundlegend etwas anderes können als die bestehenden? Dann sprechen Sie über Training von Grund auf, und über eine Investition, die ein Businesscase selten trägt.

Wer diese Abwägung selbst treffen möchte, mit genug Verständnis, um Anbieterversprechen zu durchschauen: Was ist KI? und Was ist ein LLM? legen die Grundlage, Modul 1 ist kostenlos.